CN108492318B - 一种基于仿生技术的目标跟踪的方法 - Google Patents
一种基于仿生技术的目标跟踪的方法 Download PDFInfo
- Publication number
- CN108492318B CN108492318B CN201810171787.6A CN201810171787A CN108492318B CN 108492318 B CN108492318 B CN 108492318B CN 201810171787 A CN201810171787 A CN 201810171787A CN 108492318 B CN108492318 B CN 108492318B
- Authority
- CN
- China
- Prior art keywords
- target
- characteristic
- probability
- visual
- coefficient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于仿生技术的目标跟踪的方法,本发明利用仿生技术在对目标跟踪过程中眼睛的运动方式和搜索策略以及生物视觉***的五种视觉特性,包括明暗特性、颜色特性、敏感度特性、视觉残留以及记忆特性,运用这些特性对目标进行特征变化设计适合目标跟踪的搜索算法。其包括构建目标模板、构建候选目标模板、目标模板的更新三步。基于仿生技术的目标跟踪方法融合了生物视觉特性对目标的智能化处理方法,提出了用最大概率重心来代替颜色特征重心的方法。
Description
技术领域
本发明属于机器视觉领域,涉及模仿生物视觉特性进行目标特征检测与提取,特别是基于仿生视觉特性对目标进行跟踪和识别。
背景技术
运动目标的跟踪问题一直是科研领域的研究热点,在现实生活中影响目标跟踪的效果因素非常多,目前大部分的目标跟踪算法都只能在特定的环境下才适用,传统的运动目标跟踪算法缺少生物智能的特点无法适应复杂的环境变换,使得跟踪效果不如人意,存在很大的使用局限性,达到生物跟踪目标的效果,一直是目标跟踪方向上的一个挑战。基于仿生技术的目标跟踪研究是受到生物视觉***在目标跟踪过程表现出来的高效性和智能性的启示,融入人眼视觉特性思想来弥补现有跟踪算法的不足。
本专利从人眼视觉***角度出发,通过分析人眼视觉特性在目标特征提取中发挥的作用总结了颜色特征变换,敏感度变换,记忆特性变换三种图像变换方法,提出了一种基于仿生技术的目标跟踪方法。
发明内容
本发明的目的在于模仿生物视觉对外界视觉信息的处理方法以及仿生视觉特性在目标特征提取和跟踪过程中的作用,以及对目标形变时的记忆功能,提出了仿生物视觉特性的目标跟踪方法。
本发明建立了仿生视觉***在对目标跟踪过程中眼睛的运动方式和搜索策略以及仿生视觉***的五种视觉特性,包括明暗特性、颜色特性、敏感度特性、视觉残留以及记忆特性,运用这些特性对目标进行特征变化设计适合目标跟踪的搜索算法。
本发明根据视觉的明暗特性,颜色特性,敏感度特性,视觉残留,记忆特性这五种视觉特性并运用这些特性对目标进行了特征变换,使目标的特征由RGB颜色空间特征变为了目标概率特征。基于生物视觉特性的目标跟踪方法中对目标模板,候选目标模板和背景做了特征变换,以便对最优候选模型进行搜索。基本方案如下:
1.第一帧选取目标y0,对目标使用视觉特性综合变换,得到目标模板P0,目标生物概率特征系数W。
2.下一帧中利用目标生物概率特征系数W计算出候选目标统计模型Z1,并计算出候选目标概率中心P1,设定概率特征系数迭代次数T,选择最近的T个概率特征系数迭代。如果概率特征系数W为空集,判断该系数失效,选择第一个概率系数做相交处理。计算背景化差异系数h并设定阈值h*,如果h<h*,需重新计算新的概率特征系数并和前面计算的概率特征系数做相交处理,如果h≥h*,则进如步骤3。
3.设定迭代次数N,迭代阈值ε*,计算ε=|P1-P0|。如果ε>ε*,更新目标概率中心P0=P1,如果ε≤ε*,则目标区域y为最优候选目标。
4.将最优候选目标标定为跟踪目标。
通过短时记忆记住的背景信息能够帮助我们更好的跟踪目标。我们利用生物视觉特性提取目标特征的时候运用的背景信息就是通过短时记忆存储的。在面对复杂环境时,随着环境的改变,短时记忆中的背景也在不断的改变,目标最明显的敏感度最高的特征也在变化,我们需要一个变换的模板来代替以前的模板。生物视觉特性中的颜色特性也提到了这一点,我们人眼会根据背景颜色的不同自动调整看到的色彩。
复杂环境下,目标模板的特征会随着环境的变化其特征敏感度发生变化,当目标模板特征相对于背景的敏感度消失或者减弱时,目标的跟踪就会失效。高等生物利用大脑的存储功能和视神经***的处理。通过不断的更新目标模板,使目标特征和背景永远保持最大的敏感度的方法来跟踪物体。
本发明与现有技术相比具有以下优点:
仿生视觉***在对目标的跟踪过程中眼睛的运动方式优于MeanShift目标跟踪算法的搜索策略,在MeanShift跟踪算法中,由于核函数和权值函数对目标位置的影响,使得MeanShift在目标跟踪中对非刚性物体的跟踪效果差,一旦目标发生形变,跟踪很容易失效。基于仿生视觉特性的目标跟踪方法融合了生物视觉特性对目标的智能化处理方法,提出了用最大概率重心来代替颜色特征重心的方法。
附图说明
图1是本发明所述的基于仿生技术的目标跟踪方法流程图。
具体实施方式
1.构建目标模板,将目标的生物概率特征系数W转化为目标概率图。在目标概率图中我们可以很明显的发现目标特征。利用目标概率图计算出目标概率图的重心位置,
即目标模板中最大概率中心处。目标模板区域x像素点的坐标位置为{xi *,i=1...n},
目标概率总量:
目标概率中心:
目标生物概率特征系数:
候选目标概率总量:
候选目标概率中心:
3.寻找目标最大概率位置,即寻找候选目标概率中心P1和图像的相对位置,计算候选目标与目标的偏移向量,然后求出最优候选目标位置。
偏移向量:
bs=P1-P0 (6)
最优候选目标区域:
y=x+bs (7)
4.标定跟踪目标,运用偏移向量求出目标位置后,用迭代处理求得更精确的位置并标定成目标位置。
Claims (1)
1.一种基于仿生技术的目标跟踪的方法,其特征在于:
(1)使用了生物视觉***在对目标跟踪过程中眼睛的运动方式和搜索策略以及生物视觉***的五种视觉特性,包括明暗特性、颜色特性、敏感度特性、视觉残留以及记忆特性,运用这些特性对目标进行特征变化设计适合目标跟踪的搜索算法;
(2)根据生物视觉的明暗特性,颜色特性,敏感度特性,视觉残留,记忆特性这五种视觉特性并运用这些特性对目标进行了特征变换,使目标的特征由RGB颜色空间特征变为了目标概率特征,基于仿生物技术的目标跟踪方法中对目标模板,候选目标模板和背景做了特征变换,以便对最优候选模型进行搜索,具体包含以下步骤:
第一帧选取目标y0,对目标使用视觉特性综合变换,得到目标模板P0,目标生物概率特征系数W,利用目标生物概率特征系数W计算出候选目标统计模型Z1,并计算出候选目标概率中心P1,设定概率特征系数迭代次数T,选择最近的T个概率特征系数迭代,如果概率特征系数W为空集,判断该系数失效,选择第一个概率系数做相交处理,计算背景化差异系数h并设定阈值h*,如果h<h*,需重新计算新的概率特征系数并和前面计算的概率特征系数做相交处理,如果h≥h*,设定迭代次数N,迭代阈值ε*,计算ε=|P1-P0|,如果ε>ε*,更新目标概率中心P0=P1,如果ε≤ε*,则目标区域y为最优候选目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810171787.6A CN108492318B (zh) | 2018-03-01 | 2018-03-01 | 一种基于仿生技术的目标跟踪的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810171787.6A CN108492318B (zh) | 2018-03-01 | 2018-03-01 | 一种基于仿生技术的目标跟踪的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108492318A CN108492318A (zh) | 2018-09-04 |
CN108492318B true CN108492318B (zh) | 2022-04-26 |
Family
ID=63341146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810171787.6A Active CN108492318B (zh) | 2018-03-01 | 2018-03-01 | 一种基于仿生技术的目标跟踪的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108492318B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5076971B2 (ja) * | 2008-02-29 | 2012-11-21 | 富士通株式会社 | 画像目標検出追跡装置及び画像目標検出追跡方法並びに画像目標検出追跡プログラム |
CN105335986A (zh) * | 2015-09-10 | 2016-02-17 | 西安电子科技大学 | 基于特征匹配和MeanShift算法的目标跟踪方法 |
CN106446833A (zh) * | 2016-09-27 | 2017-02-22 | 湖南商学院 | 一种用于复杂场景图像识别的多通道仿生视觉方法 |
CN106780560A (zh) * | 2016-12-29 | 2017-05-31 | 北京理工大学 | 一种基于特征融合粒子滤波的仿生机器鱼视觉跟踪方法 |
CN107368802A (zh) * | 2017-07-14 | 2017-11-21 | 北京理工大学 | 基于kcf和人脑记忆机制的运动目标跟踪方法 |
CN107657627A (zh) * | 2017-08-24 | 2018-02-02 | 北京理工大学 | 基于人脑记忆机制的时空上下文目标跟踪方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6999599B2 (en) * | 2002-06-07 | 2006-02-14 | Microsoft Corporation | System and method for mode-based multi-hypothesis tracking using parametric contours |
CN103824305A (zh) * | 2014-03-17 | 2014-05-28 | 天津工业大学 | 一种改进的Meanshift目标跟踪方法 |
-
2018
- 2018-03-01 CN CN201810171787.6A patent/CN108492318B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5076971B2 (ja) * | 2008-02-29 | 2012-11-21 | 富士通株式会社 | 画像目標検出追跡装置及び画像目標検出追跡方法並びに画像目標検出追跡プログラム |
CN105335986A (zh) * | 2015-09-10 | 2016-02-17 | 西安电子科技大学 | 基于特征匹配和MeanShift算法的目标跟踪方法 |
CN106446833A (zh) * | 2016-09-27 | 2017-02-22 | 湖南商学院 | 一种用于复杂场景图像识别的多通道仿生视觉方法 |
CN106780560A (zh) * | 2016-12-29 | 2017-05-31 | 北京理工大学 | 一种基于特征融合粒子滤波的仿生机器鱼视觉跟踪方法 |
CN107368802A (zh) * | 2017-07-14 | 2017-11-21 | 北京理工大学 | 基于kcf和人脑记忆机制的运动目标跟踪方法 |
CN107657627A (zh) * | 2017-08-24 | 2018-02-02 | 北京理工大学 | 基于人脑记忆机制的时空上下文目标跟踪方法 |
Non-Patent Citations (2)
Title |
---|
Motion Control in Saccade and Smooth Pursuit for Bionic Eye Based on Three-dimensional Coordinates;Qingbin Wang等;《JOURNAL OF BIONIC ENGINEERING》;20170430;第14卷(第2期);全文 * |
基于相关区域分层的改进Meanshift目标跟踪算法;董慧芬等;《计算机应用》;20141215;第34卷(第S2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108492318A (zh) | 2018-09-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111209810B (zh) | 向可见光与红外图像准确实时行人检测的边界框分割监督深度神经网络架构 | |
CN111797716B (zh) | 一种基于Siamese网络的单目标跟踪方法 | |
CN110503680B (zh) | 一种基于非监督的卷积神经网络单目场景深度估计方法 | |
CN108986140B (zh) | 基于相关滤波和颜色检测的目标尺度自适应跟踪方法 | |
CN113469356B (zh) | 一种基于迁移学习的改进vgg16网络猪的身份识别方法 | |
CN107016691B (zh) | 基于超像素特征的运动目标检测方法 | |
CN103413120B (zh) | 基于物体整体性和局部性识别的跟踪方法 | |
CN108537147B (zh) | 一种基于深度学习的手势识别方法 | |
CN110889844B (zh) | 一种基于深度聚类分析的珊瑚分布及健康状况评估方法 | |
CN110675462A (zh) | 一种基于卷积神经网络的灰度图像彩色化方法 | |
CN111199556B (zh) | 基于摄像头的室内行人检测和跟踪方法 | |
CN110111351B (zh) | 融合rgbd多模态信息的行人轮廓跟踪方法 | |
CN102831604A (zh) | 一种灰度图像的二维Renyi熵阈值分割方法 | |
CN110084201B (zh) | 一种监控场景下基于特定目标跟踪的卷积神经网络的人体动作识别方法 | |
CN110246154B (zh) | 一种基于ica-r多特征融合与自适应更新的视觉目标跟踪方法 | |
CN109215003B (zh) | 一种图像融合方法及装置 | |
CN104966274B (zh) | 一种采用图像检测与区域提取的局部模糊复原方法 | |
CN107609571A (zh) | 一种基于lark特征的自适应目标跟踪方法 | |
CN101504771A (zh) | 一种非参数化模型的视觉跟踪方法 | |
CN108053418B (zh) | 一种动物背景建模方法及装置 | |
CN108492318B (zh) | 一种基于仿生技术的目标跟踪的方法 | |
CN116935133B (zh) | 一种基于spect图像识别的心血管病分类方法及*** | |
CN109064490A (zh) | 一种基于MeanShift的运动目标跟踪方法 | |
CN113192049A (zh) | 基于LatLRR和Retinex增强的可见光和红外图像融合方法 | |
CN116363733A (zh) | 一种基于动态分布融合的人脸表情预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |